Ce projet est une bibliothèque Python dédiée au clustering sous contrainte de rayon. Il permet de regrouper des données en clusters où chaque point est à une distance maximale d'un centre, en utilisant des algorithmes basés sur le problème du Dominating Set Minimum. Idéal pour des applications nécessitant une segmentation précise et optimisée des données spatiales ou multidimensionnelles.

Ce projet propose une méthode pour organiser des données en clusters de manière dynamique. Il permet de regrouper des éléments similaires tout en optimisant les coûts associés à ces regroupements. L'approche vise à simplifier la représentation des structures de données pour faciliter leur analyse et leur manipulation.

Ce projet propose une évaluation comparative de méthodes d'apprentissage fédéré regroupées par clusters. Il permet d'analyser et de comparer les performances de différents modèles de machine learning dans un contexte distribué, en utilisant des jeux de données standardisés comme MNIST ou CIFAR-10. Les résultats sont visualisés sous forme de tableaux et de graphiques pour faciliter l'interprétation des métriques.

Stoic est une méthode d'analyse bioinformatique conçue pour identifier des associations significatives entre deux types de données biologiques distinctes. Elle permet de regrouper des observations dans un espace de données principal en utilisant des informations complémentaires issues d'un second jeu de données. Cette approche améliore les méthodes traditionnelles en évitant les biais liés à un clustering non guidé et en fournissant des interprétations biologiques claires des clusters obtenus.

Ce projet propose une méthode de clustering incrémental pour détecter des événements sur Twitter. Il permet d'analyser des flux de données textuelles en temps réel ou différé, en identifiant des regroupements de tweets liés à des événements spécifiques. Les résultats sont visualisés sous forme de tableaux et graphiques pour faciliter leur interprétation. L'outil est conçu pour les chercheurs et data scientists travaillant sur l'analyse de réseaux sociaux.

Ce projet analyse les variations linguistiques en Basse-Bretagne à partir des données de l'Atlas Linguistique de Basse-Bretagne (NALBB). Il utilise des méthodes statistiques avancées pour regrouper les points d'enquête en clusters linguistiques, produisant des cartes et des matrices de distances entre ces groupes. Les résultats permettent de mieux comprendre la répartition géographique des dialectes bretons.

Ce projet propose des outils pour analyser et comparer des profils épigénétiques à partir de fichiers BigWig. Il permet de mesurer les distances entre différents clusters de données génomiques, calculer des indices de silhouette pour évaluer la qualité des regroupements, et générer des matrices de corrélation. Les outils sont conçus pour traiter des données biologiques complexes et fournir des résultats exploitables pour la recherche en épigénétique.

FoDoMust est une plateforme dédiée à l'analyse approfondie d'images spatio-temporelles issues de satellites. Elle permet aux géomaticiens et experts géographes de classifier les pixels d'une image pour attribuer des étiquettes aux données similaires, et de regrouper ces données en clusters pour identifier des motifs ou des tendances. L'outil facilite ainsi la prise de décision dans des domaines comme l'urbanisme, l'environnement ou l'agriculture.

AMAS4DC est une bibliothèque open source dédiée au clustering de données via un système multi-agents. Elle permet de regrouper automatiquement des points de données en clusters cohérents en temps réel ou en différé. Adaptée aux séries temporelles et aux données multidimensionnelles, elle offre des outils pour ajuster dynamiquement les groupes en fonction de leur similarité et de leur évolution. Idéale pour l'analyse prédictive, la segmentation client ou la détection d'anomalies.

Outil dédié à l'analyse et au traitement de données taxonomiques virales issues de résultats BLAST et de tables de comptage. Il permet de filtrer, regrouper et fusionner des données pour préparer des analyses en aval comme la visualisation ou les tests statistiques. Basé sur des algorithmes de propagation de labels et de clustering, il identifie des groupes de contigs viraux partageant des profils similaires.